主动量化组合跟踪：红利固收%2b策略7月表现稳健-240808-国金证券-11页.pdfVIP

国证2000指数增强策略

经过因子测试与筛选，包括技术、反转、特异波动率等在内的因子在国证2000指数成分股上均有出色表现，我们所

合成的各个大类因子也基本都起到了很好的提升效果。7月该因子表现突出，IC值15.21%。样本外整体策略表现良

好，7月策略的超额收益为2.14%。

基于多目标、多模型的机器学习指数增强策略

根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》，考虑到AI各类算法在量化领域具

有较强的适用性，同时也越来越受到A股众多投资者的关注。我们选取了GBDT和NN两大类结构具有一定差异的模

型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，最终构建出的GBDT+NN机器学习

选股因子在A股各类宽基指数上表现优异。

为贴合交易实际，我们构建了基于GBDT+NN因子的机器学习模型的指数增强策略，通过对投资组合的跟踪误差进行

控制，最大化因子暴露。回测区间自2015年2月1日开始，假定手续费率单边千二，每月月初调仓。沪深300指数

增强策略、中证500指数增强策略和中证1000指数增强策略上月超额收益率分别为2.07%、0.06%和0.02%。后续随

着市场恢复正常，超额收益有望进一步提升。

基于红利风格择时+红利股优选的固收+策略

我们使用经济增长和货币流动性共10个指标，通过动态事件因子的体系构建的红利指数择时策略表现优异，相较于

中证红利指数全收益有显著的稳定性提升。在选股方面，我们利用AI模型在中证红利指数成分股内进行测试，得到

因子表现相对较好，能够长期获得较稳定的超额收益。上月选股策略获取1.16%的绝对收益率，择时策略收益率为-

2.69%。固收+策略收益率为0.55%，相较与基准有0.72%的超额收益。

风险提示

以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

敬请参阅最后一页特别声明1

金融工程月报

内容目录

一、国证2000指数增强策略3

1策略构建3

2国证2000指数选股因子跟踪3

3国证2000指数增强策略跟踪3

4最新策略信号4

二、基于多目标、多模型的机器学习指数增强策略5

1策略构建5

2GBDT+NN沪深300指数增强策略跟踪5

3GBDT+NN中证500指数增强策略跟踪7

4GBDT+NN中证1000指数增强策略跟踪8

三、基于红利风格择时+红利股优选构建的固收+策略8

风险提示10

图表目录

图表1：大类合成因子与国证2000增强因子IC指标3

图表2：增强因子IC3

图表3：增强因子多空组合净值3

图表4：国证2000指数增强策略表现4

图表5：国证2000指数增强策略指标4

图表6：国证2000增强策略本月持仓列表4

图表7：GBDT+NN机器学习选股因子在沪深300成分股的组合指标跟踪6

图表8：GBDT+NN沪深300指数增强策略净值6

图表9：GBDT+NN沪深300指数增强策略指标6

图表10：GBDT+NN机器学习选股因子在中证500成分股的组合指标跟踪7

图表11：GBDT+NN中证500指数增强策略净值7

图表12：GBDT+NN中证500指数增强策略指标7

图表13：GBDT+NN机器学习选股因子在中证1000成分股的组合指标跟踪8

图表14：GBDT+NN中证1000指数增强策略净值8

图表15：GBDT+NN中证1000指数增强策略指标8

图表16：基于红利风格择时+红利股优选构建的固收+策略主要指标9

图表17：中证红利选股策略净值走势9

图表18：基于红利风格择时+红利股优选构建的固收